下肢辅助设备的肢体间和肢体内协同建模:建模方法和特征选择

科学领域:

• 生物力学和机器人技术
• 人与机器的互动 人与机器的互动
• 在康复中使用机器学习.

背景情况:

• 步行协同作用对于控制下肢辅助器件,如假肢和外骨架至关重要.
• 精确的步态协同建模通过从声音四肢数据中预测运动轨迹来增强人机接口.
• 优化特征选择对于改善步态协同效应建模至关重要,但经常被忽视.

研究的目的:

• 调查最佳建模方法和步态协同功能的特征选择.
• 为了比较序列对序列 (Seq2Seq),长期短期记忆 (LSTM),循环神经网络 (RNN) 和门式循环单元 (GRU) 模型的性能.
• 评估特征选择对建模准确性的影响.

主要方法:

• 使用了四种神经网络架构:Seq2Seq,LSTM,RNN和GRU.
• 使用了三种特征选择方法:随机森林,信息获取和皮尔森相关性.
• 对肢体间和肢体内步态协同效应预测的评估模型.

主要成果:

• 在步态协同模型 (MAE:0.404°和0.596°) 中,Seq2Seq表现出优于LSTM,RNN和GRU的性能.
• 特性选择显著改善了Seq2Seq模型的性能 (P < 0.05).
• 拟议的特征选择-Seq2Seq (FS-Seq2Seq) 策略优于现有的方法.

结论:

• 建议FS-Seq2Seq作为一种有效的两阶段策略,用于步态协同效应建模.
• 这种方法使得下肢辅助设备的协同和用户适应性轨迹的开发成为可能.
• 改进的建模在辅助技术应用中增强了人机交互.